检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于关键点及光流的平面物体跟踪算法

计算机工程 2021年第4期47卷 234-240页

作者：季皓宣烨梁鹏鹏柴玉梅王黎明郑州大学信息工程学院郑州450001

为提高复杂场景下基于关键点的平面物体跟踪算法的鲁棒性,提出一种融合光流的平面物体跟踪算法。检测目标物体与输入图像的关键点及其对应描述符,由最近邻匹配方法构建目标与图像间关键点匹配集合,通过光流法构建相邻两张图像间关键点... 详细信息

为提高复杂场景下基于关键点的平面物体跟踪算法的鲁棒性,提出一种融合光流的平面物体跟踪算法。检测目标物体与输入图像的关键点及其对应描述符,由最近邻匹配方法构建目标与图像间关键点匹配集合,通过光流法构建相邻两张图像间关键点的对应关系,将已构建的关键点匹配集合与基于光流的对应关系通过加权平均的策略进行融合,得出修正的关键点匹配集合,根据关键点匹配估计目标物体在当前图像的单应性变换矩阵,从而完成目标跟踪。在POT数据集上的实验结果表明,与SIFT、FERNS等算法相比,在校正误差阈值为5时,该算法在所有图像序列上的平均跟踪精度达到66.67%,具有较好的跟踪性能。

关键词：平面物体跟踪关键点光流法惩罚系数单应性变换

基于光流与全卷积神经网络的平面物体跟踪算法研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于光流与全卷积神经网络的平面物体跟踪算法研究

作者：季皓宣烨郑州大学

学位级别：硕士

随着计算机设备的不断完善以及计算机视觉技术的不断发展,作为计算机视觉的核心技术之一,平面物体跟踪技术成为计算机视觉学术研究的热点领域,并在增强现实,监视,机器人视觉等方面具有广泛的应用。虽然近年来平面物体跟踪技术有了非常... 详细信息

随着计算机设备的不断完善以及计算机视觉技术的不断发展,作为计算机视觉的核心技术之一,平面物体跟踪技术成为计算机视觉学术研究的热点领域,并在增强现实,监视,机器人视觉等方面具有广泛的应用。虽然近年来平面物体跟踪技术有了非常大的进展,但在尺寸缩放,旋转,透视失真等外界条件影响下,平面物体的跟踪识别可能会出现不同程度的丢失或延迟。为此,本文对平面物体跟踪算法展开深入研究,主要工作如下:(1)考虑到在实际应用中,跟踪算法需要时刻面对复杂多变的环境,而且目前大多数的平面物体跟踪数据集是在室内环境拍摄,这种缺乏复杂背景的图像序列无法很好模拟自然复杂多变的环境。因此,本文构建了一个用于平面物体跟踪的数据集,包含40个物体,共280个在自然采集并带有标注的图像序列。其中每个物体包含7种运动状态:尺度变换、旋转、透视失真、运动模糊、遮挡、移出视野以及无约束运动。此外,为了减轻人工标注的工作量,提出了一个半自动的标注框架辅助人工进行标注,并使用校正误差评测了16种先进的平面物体跟踪算法,并分析每个算法的性能。(2)基于关键点的平面物体跟踪算法能够很好的适应复杂的场景。而基于SIFT的平面物体跟踪算法作为这类方法中经典的方法,具有良好的跟踪效果。但是这类方法仍存在错误匹配点较多,影响跟踪精度的问题。在此基础上,考虑到输入图像序列具有时序性,而光流法能够很好地利用这种时序信息。因此,将光流法与基于SIFT的平面物体跟踪算法进行融合,提出了基于关键点并融合光流的平面物体跟踪算法。实验证明,基于关键点并融合光流的平面物体跟踪算法相比现有的平面物体跟踪算法性能更优。在所构建的自然场景平面物体跟踪数据集下,校正误差阈值为5时,提出的方法的跟踪精度相较于经典的平面物体跟踪算法平均提高了3.8%。(3)将局部特征匹配的深度学习方法应用于平面物体跟踪任务中虽然能够取得良好的效果,但速度受输入图像中关键点个数的制约。因此,本文提出了基于全卷积神经网络的平面物体跟踪算法,该算法能够缓解关键点个数对跟踪速度的影响。该网络的输出特征映射与输入图像具有相同的大小。在训练的过程中,由于训练过程存在正负样本极度不均的问题,导致网络训练的困难。为了缓解这个问题,采用了难样本采样的方式对最难负样本进行采样,将采样后的正负样本送入损失函数,从而进行网络的训练。实验结果证明,与基于深度学习的平面物体跟踪算法相比,本文提出的算法在校正误差阈值为5时,提出的方法相较于MATCHNET提高了4.1%,不受输入图像中关键点个数对跟踪速度的制约且在速度上具有较大的优势,并且该方法在通用的平面物体跟踪任务中也取得良好的效果。

关键词：平面物体跟踪光流法全卷积神经网络难负样本采样

基于卷积网络的由粗到细平面物体跟踪算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积网络的由粗到细平面物体跟踪算法研究

作者：刘书玲郑州大学

学位级别：硕士

随着深度学习技术和人工智能的不断发展,平面物体跟踪成为计算机视觉领域的研究热点,并在机器人视觉和人脸识别等方面有广泛的应用前景。近年来,卷积神经网络成为计算机视觉领域的核心技术之一,越来越多的学者将卷积神经网络应用于平面... 详细信息

随着深度学习技术和人工智能的不断发展,平面物体跟踪成为计算机视觉领域的研究热点,并在机器人视觉和人脸识别等方面有广泛的应用前景。近年来,卷积神经网络成为计算机视觉领域的核心技术之一,越来越多的学者将卷积神经网络应用于平面物体跟踪的研究中,现有的方法已经取得较好的研究成果,但仍存在跟踪的时间复杂度较高、跟踪不够精确等问题。为提高平面物体跟踪的速度和精度,本文主要做了以下的研究工作:(1)针对目标跟踪的速度有待提高的问题,给出基于稠密网络的单目标跟踪算法。首先,使用全卷积稠密网络做为主干网络进行特征提取,生成稠密特征图。接着,在生成的特征图上提出基于判别式模型的目标分类,对目标做一个粗略定位。然后,利用重叠最大化方法,在粗略定位处估计目标边界框,即可实现对目标的跟踪。最后,在4种基准数据集上设计跟踪精度和跟踪速度的对比实验,实验效果表明算法是有效的。(2)针对平面物体跟踪精度有待提高的问题,给出由粗到细的平面物体跟踪算法。首先,根据单目标跟踪算法利用重叠最大化估计目标边界框,实现对目标的粗略定位。其次,利用SIFT在图像上定位关键点,并在基于级联厚薄稠密网络生成的特征图上提取关键点对应的特征描述符,根据最近邻算法对特征描述符进行匹配,得到配对的关键点集合。然后,将粗略定位边界框作为先验框对匹配关键点进行由粗到细地筛选,保留先验框内的关键点,得到更为有效的关键点匹配集合。利用RANSAC算法对关键点估计出最佳的单应性矩阵参数。最后,通过单应性矩阵对真实值进行计算得到目标最终的预测框。本文在POT基准数据集上设计实验,验证了由粗到细的平面物体跟踪算法是有效的。

关键词：平面物体跟踪卷积神经网络由粗到细单应性变换

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向移动增强现实的多平面物体检测与跟踪

面向移动增强现实的多平面物体检测与跟踪

作者：褚冠宜浙江大学

学位级别：硕士

在增强现实领域,为达到虚拟物体与现实世界交互的效果,需要能感知现实世界中物体的状态。因此,平面物体的检测与追踪是增强现实系统中的一个重要组成部分,以这两项技术为基础的基于平面物体的增强现实,有着广泛的应用场景。平面物体的... 详细信息

在增强现实领域,为达到虚拟物体与现实世界交互的效果,需要能感知现实世界中物体的状态。因此,平面物体的检测与追踪是增强现实系统中的一个重要组成部分,以这两项技术为基础的基于平面物体的增强现实,有着广泛的应用场景。平面物体的检测与跟踪在得到平面物体边界框的基础上,还需要恢复物体的6自由度位姿。目前在大视角、远距离、复杂背景等情况下的平面物体检测与跟踪仍然是一个亟待解决的问题。为此,本文深入了研究平面物体的检测与跟踪问题,并提出了一套算法,可以快速检测出上述困难场景中的多个预定义平面物体,并在移动端以约100FPS的速度对平面物体的姿态进行跟踪,在速度上达到了先进水平。本文的主要贡献如下:1)提出了一种自顶向下的平面物体检测算法。通过区域提议算法初步判断平面物体可能存在的区域,得到物体的大致位置与尺度信息,从而降低了平面物体的检索与对齐的难度。可以有效的处理复杂背景和远距离下的多个平面物体的检测问题。除此之外还加入了对于检测结果的验证算法,防止返回错误的检测结果。2)在以往算法基础上提出了一种基于关键帧的平面物体跟踪框架。使用直接法进行相邻帧间的跟踪,使用平面假设建立局部地图,使用重投影误差对系统状态进行优化,使用局部重定位功能应对跟踪失败的情况。在运行速度、图像连续性与准确性中进行了平衡,并能较好的处理运动模糊问题。3)提出了多个平面物体的追踪方法。在追踪多个平面物体时,判断物体间的相对运动情况,对于相对静止的平面物体,简单的进行三维注册,对于相对运动的物体单独进行跟踪。

关键词：增强现实平面物体跟踪平面物体检测姿态估计三维注册

基于卷积神经网络的单应性变换估计及其应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的单应性变换估计及其应用研究

作者：王朝飞郑州大学

学位级别：硕士

科技的进步促使计算机视觉技术不断发展,其中图像的单应性变换估计作为计算机视觉的基础问题尤为重要,它在图像对齐拼接、相机位姿估计、视觉导航中有着广泛的应用。针对现阶段基于卷积神经网络的单应性变换估计算法存在数据集匮乏以及... 详细信息

科技的进步促使计算机视觉技术不断发展,其中图像的单应性变换估计作为计算机视觉的基础问题尤为重要,它在图像对齐拼接、相机位姿估计、视觉导航中有着广泛的应用。针对现阶段基于卷积神经网络的单应性变换估计算法存在数据集匮乏以及卷积特征使用不够充分的问题,本文展开深入研究,主要工作如下:(1)构建一个真实场景下的大型单应性变换数据集。深度学习算法需要大量带有准确标注信息的数据,而目前基于卷积神经网络的单应性变换估计算法大多使用人工合成的方法生成所需数据,人工合成数据不能很好地模拟复杂多变的自然环境。因此本文构建了一个用于训练、测评单应性变换估计算法的数据集,数据集包含50种不同场景,且每种场景包含不同天气、昼夜等情况以增加数据集的复杂度。此外,为减少数据标注带来的巨大成本,设计一个自动化单应性标注工具进行数据标注,并对标注结果进行人工二次矫正、微调以确保标注结果的合理性和准确性。(2)提出一种基于卷积神经网络的单应性变换估计算法,并将其应用于平面物体跟踪任务中。首先,针对现有基于卷积神经网络的单应性变换估计算法的优缺点进行分析,提出一种用于估计图像单应性变换参数的深度卷积神经网络模型。在本文模型中,为突出对图像单应性变换估计有贡献的图像卷积特征,对提取到的图像卷积特征赋予权重,然后将两幅图像的卷积特征进行融合匹配,模拟传统机器视觉算法中特征匹配这一过程,从而估计出更加准确的单应性变换参数。本文算法与现有的同类算法相比更能捕捉到具有实际意义的图像特征,并能够将图像卷积特征更好地关联起来,从而提升算法的整体效果。其次,将本文提出的基于CNN的单应性变换估计算法应用在平面物体跟踪任务中,利用两帧图像之间的单应性变换参数实现跟踪目标框的更新。实验证明,本文提出的基于卷积神经网络的单应性变换估计算法相比于其他同类算法精度有所提升,验证了算法的有效性。

关键词：单应性变换权重特征特征互相关平面物体跟踪